4、麦克风阵列基础：阵列拓扑结构、波束形成原理、常见阵列类型（线性、环形）
在智能音箱远场识别场景中，单麦克风受限于物理尺寸和信噪比，难以在3-5米距离下有效拾取语音。麦克风阵列通过空间采样和信号处理，将多个麦克风的信号融合为具有方向选择性的“虚拟麦克风”，从而在噪声、混响和距离衰减中恢复目标语音。本章聚焦阵列的拓扑结构、波束形成核心原理以及线性/环形阵列的工程选型，为后续远场识别算法提供硬件与信号基础。
4.1 阵列拓扑结构：从空间采样到孔径设计
麦克风阵列的本质是利用多个空间位置上的声压传感器，对声场进行离散空间采样。与时间采样类似，空间采样需要满足空间奈奎斯特条件，即麦克风间距 d 必须小于最高分析频率对应波长的一半。对于语音信号，若最高关注频率为 8 kHz（对应波长约 4.3 cm），则 d 应小于 2.15 cm；但实际智能音箱通常将关注频段限制在 4 kHz 以内（波长约 8.6 cm），因此常见间距取 3.5~4.5 cm，兼顾高频分辨率和阵列物理尺寸。
阵列拓扑结构决定了阵列的空间分辨率、波束形状和模糊方向。线性阵列（ULA）将麦克风等间距排列在一条直线上，其波束在阵列轴向具有对称性，无法区分来自阵列前方和后方的声源，因此通常配合声源定位算法或双线性阵列解决前后向模糊。环形阵列（UCA）将麦克风均匀分布在圆周上，天然具备 360° 方位角分辨能力，适合智能音箱这类需要全向覆盖的设备。
阵列的孔径（即最远两端麦克风的距离）决定了波束主瓣宽度。孔径越大，波束越窄，空间选择性越强，但物理尺寸和成本也随之增加。以 6 麦环形阵列为例，半径 5 cm 的阵列孔径为 10 cm，在 1 kHz 频率下主瓣宽度约 60°，而在 4 kHz 下可压缩至 15° 左右。设计时需要根据目标拾音距离和噪声环境权衡孔径大小。
- 麦克风间距 d：决定空间混叠频率，d ≤ λ_min / 2
- 阵列孔径 D：决定波束宽度，D 越大波束越窄
- 麦克风数量 N：决定可形成的独立波束数和阵列增益（理论增益 10·log₁₀(N) dB）
- 几何形状：线性阵列适合固定方向拾音，环形阵列适合全向覆盖
4.2 波束形成原理：时延补偿与加权求和
波束形成的核心思想是：对每个麦克风信号施加不同的时延补偿和幅度权重，使得来自目标方向的信号同相叠加，而来自其他方向的信号异相抵消。以远场平面波假设为例，设声源方向与阵列法线夹角为 θ，则相邻麦克风之间的时延差为 τ = d·sin(θ)/c（c 为声速，约 343 m/s）。通过将每个麦克风信号延迟 τᵢ 后相加，即可在目标方向形成主瓣。
实际工程中，时延补偿通常在频域实现。将每个麦克风信号做短时傅里叶变换（STFT）后，对每个频点乘以相位旋转因子 e^{jωτᵢ}，再乘以权重 wᵢ 并求和。权重设计方法包括：
- 延迟求和（DSB）：权重均为 1/N，实现简单，但旁瓣较高（约 -13 dB）
- 切比雪夫加权：通过控制旁瓣电平设计权重，适合固定波束
- 最小方差无失真响应（MVDR）：在保证目标方向增益为 1 的前提下，最小化输出功率，自适应抑制干扰
- 广义旁瓣抵消（GSC）：将 MVDR 分解为固定波束和阻塞矩阵，便于实时实现
| 波束形成方法 | 计算复杂度 | 鲁棒性 | 适用场景 |
|---|---|---|---|
| 延迟求和 (DSB) | 低 | 高（无自适应） | 低噪声环境、快速原型验证 |
| 切比雪夫加权 | 低 | 高（固定权重） | 已知干扰方向、静态波束 |
| MVDR | 中高 | 中（需协方差估计） | 动态干扰抑制、多声源场景 |
| GSC | 中 | 中（需阻塞矩阵设计） | 实时系统、语音增强前端 |
4.3 常见阵列类型：线性阵列与环形阵列的工程对比
线性阵列（ULA）在智能音箱中通常以 2 麦或 4 麦形式出现，常见于条形音箱或带屏幕设备。其优势在于结构简单、算法成熟、计算量小；劣势是只能区分 180° 范围内的方向，且对端射方向（沿阵列轴线）的波束宽度较宽，空间分辨率下降。为缓解这一问题，部分产品采用双线性阵列（两条平行线阵），通过两排麦克风的相位差消除前后向模糊。
环形阵列（UCA）是智能音箱的主流选择，典型配置为 6 麦或 8 麦均匀分布在半径为 4~6 cm 的圆周上。环形阵列的波束可以在水平面内 360° 旋转，配合声源定位模块可实现“声源跟踪+波束指向”的联动。其代价是：垂直方向的波束控制能力较弱，且相同麦克风数量下，环形阵列的孔径小于线性阵列，导致低频波束宽度较大。因此，环形阵列通常需要配合自适应波束形成和去混响算法使用。
4.4 案例拆解：6 麦环形阵列在智能音箱中的波束形成调优
某智能音箱产品采用 6 麦环形阵列，半径 5 cm，麦克风间距约 5.2 cm（相邻麦克风弦长）。产品目标是在 3 米距离、60 dB 背景音乐干扰下，唤醒词识别率 ≥ 95%。初始方案使用延迟求和波束形成，实测唤醒率仅 82%，主要原因是音乐干扰方向不固定且包含强谐波成分。
分析过程：通过录制实际场景数据，发现音乐干扰主要集中在 200 Hz~2 kHz 频段，且来自多个反射方向。延迟求和波束的旁瓣电平为 -13 dB，无法有效抑制来自旁瓣方向的音乐能量。进一步分析协方差矩阵发现，干扰源具有明显的空间相关性，适合采用 MVDR 波束形成。
实施步骤：
- 将 6 路麦克风信号同步采样（16 kHz/24 bit），分帧 32 ms，帧移 16 ms，加汉宁窗。
- 对每帧做 512 点 FFT，计算各频点的互功率谱矩阵 R(f)。
- 在无语音段（通过 VAD 检测）估计噪声协方差矩阵 Rₙ(f)，并做对角加载（加载因子 δ = 0.01·trace(Rₙ)）提高鲁棒性。
- 计算 MVDR 权重 w(f) = Rₙ⁻¹(f)·a(f) / (aᴴ(f)·Rₙ⁻¹(f)·a(f))，其中 a(f) 为目标方向导向矢量。
- 对每个频点加权求和，输出增强语音。
结果对比：MVDR 波束形成将唤醒率从 82% 提升至 93%，但仍有 2% 的差距。进一步分析发现，混响尾音导致语音失真，于是级联了一个维纳滤波后置滤波器，将唤醒率提升至 96.5%。整个处理链路的额外延迟约 20 ms，满足实时性要求。
风险与代价：MVDR 在低信噪比频点可能产生白噪声增益放大，需通过对角加载和最大奇异值截断控制；同时，协方差矩阵估计需要 200~500 ms 的噪声样本，在连续音乐场景下需定期更新。
4.5 总结复盘：阵列设计的关键决策点
麦克风阵列设计是一个多目标优化问题，需要在物理尺寸、成本、算法复杂度和识别性能之间权衡。核心决策点包括：
- 拓扑选择：根据产品形态确定线性或环形，必要时采用双线性或立体阵列
- 间距与孔径：确保 d ≤ λ_min/2，同时尽量增大孔径以收窄波束
- 波束形成算法：从 DSB 起步，根据干扰特性升级为 MVDR 或 GSC
- 鲁棒性设计：对角加载、白噪声增益约束、协方差矩阵平滑
- 系统集成：与声源定位、VAD、去混响模块协同工作
在实际产品开发中，建议先使用仿真工具（如 Field II、Pyroomacoustics）验证阵列设计，再通过真实场景录制数据迭代算法参数。阵列的物理一致性（麦克风灵敏度偏差、相位失配）会直接影响波束形成性能，因此出厂校准和在线校准机制必不可少。